Multimodal
Ein multimodales Modell verarbeitet und versteht verschiedene Datentypen wie Text, Bild, Audio und Video gleichzeitig, was ganz neue Anwendungen ermöglicht.
Multimodalität ist der nächste große Entwicklungsschritt in der KI. Die erste Generation generativer KI war meist unimodal: Text-zu-Text (ChatGPT-3), Text-zu-Bild (Midjourney) usw. Ein multimodales Modell (wie GPT-4o oder Gemini 1.5) kann jedoch nativ verschiedene Datentypen ('Modalitäten') gleichzeitig verarbeiten und verstehen: Es kann Text lesen, Bilder sehen, Audio hören und Video verstehen.
Kostenlos anmelden und weiterlesen
Mit einem kostenlosen Konto lesen Sie 356 Begriffe vollständig, sehen im Toolfinder Stärken und Schwächen und können sich Begriffe merken.
Erklärung wird geladen …



